适用于综合能源微网鲁棒优化的不确定集构建方法和系统与流程

1.本发明实施例涉及综合能源微网技术领域，尤其涉及一种适用于综合能 源微网鲁棒优化的不确定集构建方法和系统。


背景技术：

2.随着能源短缺和环境污染等问题的日益严峻，寻求低碳、绿色的发展 模式成为人类社会的迫切需求。能源互联网和综合能源系统等概念的提出 给能源发展提供了重要的方向。为了能够对异质能源网络进行统筹规划和 调度，学者们提出了基于能源集线器的综合能源微网统一规划和调度模 型。综合能源微网通过对电、热、冷、气等多种形式的能量进行协同转化、 传输及存储等，使能源利用率得到了较大提高。
3.随着从单一能源系统向多能源耦合的综合能源微网发展，综合能源微 网面临的不确定性因素如多能负荷水平也在增加，这些不确定性严重影响 综合能源微网的经济运行和安全水平。鲁棒优化是一类处理优化模型中不 确定性的经典方法。它通过将不确定性参数ξ以不确定集u的形式来描述， 只要不确定性参数ξ在不确定集合u范围内，所求出的最优解一定满足约 束条件。所以鲁棒优化适合不确定参数分布未知或历史数据较少的情况， 其优化结果具有良好的鲁棒性，其求得的最优解对参数变化的敏感性较 低。
4.作为鲁棒优化的核心，不确定集的构建很大程度上决定了鲁棒优化的 保守度。目前，基于盒式并考虑鲁棒预算的不确定集(box budget
–
constrai ned uncertainty sets,bbus)得到了广泛应用。但该不确定集忽略了不确定 参数的分布特征而使得优化结果过于保守。基于椭球的不确定集合相较于 bbus的保守度有所减小。但高维椭球的二次形式在进行鲁棒对等转换时 会转化为二阶锥规划而增加计算难度。进一步地，一种基于凸包的数据驱 动不确定集在近年来被提出。相较于bbus和椭圆不确定集等，该凸包不 确定集可自适应地根据历史数据来调整多面体集合从而减小保守度。然 而，上述仅考虑单个区间的凸包不确定集合(single-interval convex hull u ncertainty sets,schus)使得最恶劣情况为最外侧凸包的极点，这些极端 情况在实际中只会以很小概率发生，从而使得其调度方案仍偏于保守。因 此，若考虑不确定性在优化周期内有一定可能发生在多面体凸包的内部， 进而构造考虑多区间凸包的不确定集合(multiple-interval convex hull unc ertainty sets,mchus)是更贴合实际也很有意义的。


技术实现要素：

5.本发明实施例提供一种适用于综合能源微网鲁棒优化的不确定集构建方 法和系统，结合主成分分析法和quickhull凸包算法，通过划分多个区间并构 造对应区间的凸包，提出了基于多区间凸包的不确定集。该不确定集可自适 应的捕捉历史数据的分布特征和相关性，提高了不确定集的精确性，降低了 鲁棒优化的保守度。
6.第一方面，本发明实施例提供一种适用于综合能源微网鲁棒优化的不确 定集构建方法，包括：
7.步骤s1、生成综合能源微网的不确定量误差的样本集，确定所述样本集 的均值和协方差矩阵；
8.步骤s2、基于主成分分析方法确定所述样本集的协方差矩阵的特征值和 特征方向；
9.步骤s3、基于所述特征值确定每个高维椭球区域的半轴长度，以所述特 征方向确定半轴方向，将所述样本集划分为多个高维椭球区域；
10.步骤s4、基于quickhull凸包算法将所述高维椭球区域内的样本点集成 为凸包，确定每个凸包上的顶点坐标，并分配每个凸包的不确定性预算，以 形成基于多区间凸包的不确定集。
11.作为优选的，所述步骤s1具体包括：
12.基于综合能源微网的历史误差数据构建不确定性误差的样本集；
13.若所述历史误差数据的数据量大于预设数据阈值，则基于数据驱动方法， 根据历史误差数据统计均值和协方差矩阵；
14.若所述历史误差数据的数据量不大于预设数据阈值，则基于对称分布方 法生成不确定量的误差分布，并计算均值和协方差矩阵；所述对称分布方法 包括正态分布、t分布和柯西分布。
15.作为优选的，所述步骤s1中，若不同不确定量误差对应边缘分布不同， 则基于高斯函数构建已知边缘的联合分布函数，基于所述联合分布函数生成 不确定量误差样本：
16.h(x1,x2,
…
,xm)＝c[f(x1),f(x1),
…
,f(xm)]
[0017]
上式中，f(x1),f(x1),
…
,f(xm)分别为不确定量误差x1,x2,
…
,xm的边缘分布 函数，函数c为高斯函数；h(x1,x2,
…
,xm)为相应的联合分布函数；
[0018]
基于所述联合分布函数h(x1,x2,
…
,xm)生成n个m维不确定量误差样本 u＝{u1,u2,
…
,un}，其均值和协方差矩阵计算公式为：
[0019][0020][0021]
作为优选的，所述步骤s2具体包括：
[0022]
将所述样本集的数据中心化到零均值，基于特征值分解得到协方差矩阵 的特征值和特征向量：
[0023][0024]
上式中，为协方差矩阵；q是由特征向量组成的正交矩阵，而 λi分别为对应维度i上的伸缩系数。
[0025]
作为优选的，所述步骤s3中，将样本集区域划分为k个部分区间。
[0026]
作为优选的，所述步骤s3中，k＝3，第一部分区间以1倍特征值σ为各 半轴、特征向量为方向构建的第一高维椭球区域；第二部分区间域以2倍特 征值σ为各半轴构建的第二高维椭球区域；第三部分区间则为样本集的剩余 样本空间构建的第三高维椭球区域，其
中：
[0027][0028][0029]
p1＝qλ-1qt
[0030][0031]
上式中，q是由特征向量组成的正交矩阵，而λi分别为对应维度i上的伸缩系数；c(u1)为第一高维椭球区域，c(u2)为第一高 维椭球区域。
[0032]
作为优选的，所述步骤s4中，基于多区间凸包的不确定集为：
[0033][0034]
上式中，表示第k个区间的顶点坐标，其中，t表示调度时刻，s表 示场景数，k代表凸包个数，v表示相应区间的顶点数；分别表示 综合能源微网中的电负荷，热负荷，冷负荷；ξ表示多能负荷的集合，表 示多能负荷的预测值；为表示s场景下t时刻是否取到第k个区间的第v 个顶点的二进制变量，若值为1则表示该不确定性量实现，反之为0则没有 实现；γ
ξ
为整个调度周期的不确定性预算；为第k个区间的不确定预算； 为取到相应区间的概率，该概率通过计算相应区间内误差样本跟误差样本 总数的比例得到。
[0035]
第二方面，本发明实施例提供一种适用于综合能源微网鲁棒优化的不确 定集构建系统，包括：
[0036]
样本建立模块，生成综合能源微网的不确定量误差的样本集，确定所述 样本集的均值和协方差矩阵；
[0037]
样本主成分分析模块，基于主成分分析方法确定所述样本集的协方差矩 阵的特征值和特征方向；
[0038]
样本分区模块，基于所述特征值确定每个高维椭球区域的半轴长度，以 所述特征方向确定半轴方向，将所述样本集划分为多个高维椭球区域；
[0039]
不确定集构建模块，基于quickhull凸包算法将所述高维椭球区域内的样 本点集成为凸包，确定每个凸包上的顶点坐标，并分配每个凸包的不确定性 预算，以形成基于多区间凸包的不确定集。
[0040]
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存 储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序 时实现如本发明第一方面实施例所述适用于综合能源微网鲁棒优化的不确定 集构建方法的步骤。
[0041]
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存 储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施 例所述适用于综合能源微网鲁棒优化的不确定集构建方法的步骤。
[0042]
本发明实施例提供的一种适用于综合能源微网鲁棒优化的不确定集构建 方法和系统，生成不确定性量误差样本集，求解样本集的均值和协方差矩 阵矩阵；当有大量历史误差数据时，可直接基于数据驱动的方法，根据历 史误差数据来统计均值和方差矩阵。当历史误差数据样本不够时，可采用一 些对称分布如正态分布、t分布和柯西分布等来生成不确定量的误差分布。特 别地，当不同不确定量对应的边缘分布不同时，可采用高斯copula函数来构 建已知边缘分布的联合分布函数生成足够的样本。利用pca找到样本的相关 性、特征值和特征向量等信息。如特征值和特征向量将用于决定内部椭球的 半轴长和轴方向；将样本集区域划分为k个区间，建立高维椭球区域；基于 quickhull凸包算法将k个区间的点集构造出k个凸包，最终建立基于多区间 凸包的不确定集。基于多区间凸包的不确定集，考虑了不确定性量之间的相 关性并通过设置合适的多个区间，避免了实际中出现概率较小的场景，减小 了鲁棒优化的保守度。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下 面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在 不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为根据本发明实施例的适用于综合能源微网鲁棒优化的不确定集构 建方法流程框图；
[0045]
图2为根据本发明实施例的三种不确定集示意图；
[0046]
图3为根据本发明实施例的综合能源微网系统结构图；
[0047]
图4(a)为根据本发明实施例的三种不确定集在晴天电-热负荷场景下优 化结果对比图；
[0048]
图4(b)为根据本发明实施例的三种不确定集在阴天电-热负荷场景下优 化结果对比图；
[0049]
图4(c)为根据本发明实施例的三种不确定集在雨天电-热负荷场景下优 化结果对比图；
[0050]
图5为根据本发明实施例的三种不确定集在不同鲁棒预算下综合能源微 网成本对比；
[0051]
图6为根据本发明实施例的实体结构示意图。
具体实施方式
[0052]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发 明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获 得的所有其他实施例，都属于本发明保护的范围。
[0053]
本技术实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系， 表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存 在a和b，单独存在b这三种情况。
[0054]
本技术实施例中的术语“第一”、“第二”仅用于描述目的，而不能理 解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此， 限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。 本技术的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆 盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限 定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可 选地还包括对于这些产品或设备固有的其它部件或单元。本技术的描述中，
ꢀ“
多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0055]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或 特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该 短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备 选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施 例可以与其它实施例相结合。
[0056]
作为鲁棒优化的核心，不确定集的构建很大程度上决定了鲁棒优化的保 守度。传统基于盒式并考虑鲁棒预算的不确定集(bbus)得到了广泛应用。但 该不确定集忽略了不确定参数的分布特征而使得优化结果过于保守。基于椭 球的不确定集合相较于bbus的保守度有所减小。但高维椭球的二次形式在 进行鲁棒对等转换时会转化为二阶锥规划而增加计算难度。进一步地，一种 基于凸包的数据驱动不确定集在近年来被提出。相较于bbus和椭圆不确定 集等，该凸包不确定集可自适应地根据历史数据来调整多面体集合从而减小 保守度。然而，上述仅考虑单个区间的凸包不确定集合(schus)使得最恶劣 情况为最外侧凸包的极点，这些极端情况在实际中只会以很小概率发生，从 而使得其调度方案仍偏于保守。因此，若考虑不确定性在优化周期内有一定 可能发生在多面体凸包的内部，进而构造考虑多区间凸包的不确定集合 (mchus)是更贴合实际也能减小鲁棒优化的保守度。
[0057]
因此，本发明实施例提供一种适用于综合能源微网鲁棒优化的不确定集 构建方法和系统，基于多区间凸包的不确定集，考虑了不确定性量之间的相 关性并通过设置合适的多个区间，避免了实际中出现概率较小的场景，减小 了鲁棒优化的保守度。以下将通过多个实施例进行展开说明和介绍。
[0058]
图1为本发明实施例提供一种适用于综合能源微网鲁棒优化的不确定集 构建方法，包括：
[0059]
步骤s1、生成综合能源微网的不确定量误差的样本集，确定所述样本集 的均值和协方差矩阵；
[0060]
本实施例中，基于综合能源微网的历史误差数据构建不确定性误差的样 本集；首先生成不确定性量误差的样本集，然后求解样本集的均值矩阵和 协方差矩阵
[0061]
若所述历史误差数据的数据量大于预设数据阈值，则基于数据驱动方法， 根据历史误差数据统计均值和协方差矩阵；
[0062]
若所述历史误差数据的数据量不大于预设数据阈值，则基于对称分布方 法生成不确定量的误差分布，并计算均值和协方差矩阵；所述对称分布方法 包括正态分布、t分布和柯西分布。
[0063]
作为优选的，所述步骤s1中，若不同不确定量误差对应边缘分布不同， 则基于高斯函数构建已知边缘的联合分布函数，基于所述联合分布函数生成 不确定量误差样本：
[0064]
h(x1,x2,
…
,xm)＝c[f(x1),f(x1),
…
,f(xm)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0065]
上式中，f(x1),f(x1),
…
,f(xm)分别为不确定量误差x1,x2,
…
,xm的边缘分布 函数，函数c为高斯函数；h(x1,x2,
…
,xm)为相应的联合分布函数；
[0066]
基于所述联合分布函数h(x1,x2,
…
,xm)生成n个m维不确定量误差样本 u＝{u1,u2,
…
,un}，其均值和协方差矩阵计算公式为：
[0067][0068][0069]
步骤s2、基于主成分分析方法(principal component analysis,pca)确定 所述样本集的协方差矩阵的特征值和特征方向；
[0070]
利用pca找到样本的相关性、特征值和特征向量等信息。首先将所述样 本集的数据中心化到零均值，基于特征值分解得到协方差矩阵的特征值和特 征向量：
[0071][0072]
上式中，为协方差矩阵；q是由特征向量组成的正交矩阵，而 λi分别为对应维度i上的伸缩系数。
[0073]
步骤s3、基于所述特征值确定每个高维椭球区域的半轴长度，以所述特 征方向确定半轴方向，将所述样本集划分为多个高维椭球区域；
[0074]
本实施例中，将样本集区域划分为k个区间。理论上来说区间划分的越 多不确定集越精确，但也意味着每个区间鲁棒预算的可信度下降和求解难度 的上升。因此区间划分数量须取决于决策者对于经济性和鲁棒性的平衡。
[0075]
根据一维正态分布的3σ原则为例，即99.73％的随机样本都在在平均数 左右三个标准差σ的范围内。因此，本发明实施例将不确定量的样本划分为 3个区间，k＝3，第一部分区间以1倍特征值σ为各半轴、特征向量为方向构 建的第一高维椭球区域；第二部分区间域以2倍特征值σ为各半轴构建的第 二高维椭球区域；第三部分区间则为样本集的剩余样本空间构建的第三高维 椭球区域，其中：
[0076][0077]
[0078]
p1＝qλ-1qt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0079][0080]
上式中，q是由特征向量组成的正交矩阵，而λi分别为对应维度i上的伸缩系数；c(u1)为第一高维椭球区域，c(u2)为第一高 维椭球区域。
[0081]
步骤s4、基于quickhull凸包算法将所述高维椭球区域内的样本点集成 为凸包，确定每个凸包上的顶点坐标，并分配每个凸包的不确定性预算，以 形成基于多区间凸包的不确定集。
[0082]
由于鲁棒优化中最恶劣的情形一定出现在不确定量集合的边界上，因此 仅需构造出所属区间的凸包并找出凸包上的顶点，其最优解一定属于其中的 某个顶点上。本实施例中，基于多区间凸包的不确定集为：
[0083][0084]
上式中，表示第k个区间的顶点坐标，其中，t表示调度时刻，s表 示场景数，k代表凸包个数，v表示相应区间的顶点数；分别表示 综合能源微网中的电负荷，热负荷，冷负荷；ξ表示多能负荷的集合，表 示多能负荷的预测值；为表示s场景下t时刻是否取到第k个区间的第v 个顶点的二进制变量，若值为1则表示该不确定性量实现，反之为0则没有 实现；γ
ξ
为整个调度周期的不确定性预算；为第k个区间的不确定预算； 为取到相应区间的概率，该概率通过计算相应区间内误差样本跟误差样本 总数的比例得到。
[0085]
式(7)中第二行表示不确定性量等于不确定量的均值加上误差。第三行表 示s场景下，任一时刻t最多只能取到某一个区间k的某一个顶点v。第四行 表示任一场景s，不确定量性误差场景的实现不能超过不确定性预算γ
ξ
。第 五行则进一步表示任一场景s，区间k上不确定量性误差场景的实现不能超过 第k个区间的不确定预算第六行表示第k和k+1区间的不确定预算可通 过取到相应区间的概率之比得出。
[0086]
总之，基于盒式的不确定集(bbus)、仅考虑单个区间的凸包不确定集合 (schus)和本发明提出的多区间凸包(mchus)对比效果如图2所示。本发明 使用高斯copula函数联合边缘分布分别为正态分布和t分布，生成了5000个 不确定量的误差样本。最外侧矩形虚线方框表示的bbus忽略了不确定参数 的分布特征而总是取到可行域的边界使得面积最
大。而采用基于整个区间最 外侧凸包描述的schus的面积远小于bbus，从而提高了模型的精确性。然 而上述最外侧凸包的极点表示的极端情况在实际中发生概率极小，这使得优 化结果仍偏于保守性。因此，本发明将整个误差样本集依照样本概率划分为 3个区间，并构造相应区间的3个凸包来组成mchus。在综合能源微网调度 周期中(如24小时，调度间隔1小时)，不确定性实现时将有一定的概率依 次取到各个凸包，从而更加的贴合实际，并减小了鲁棒优化的保守度。
[0087]
为了验证本发明所提模型及算法的有效性，如图3所示，选取湖南长沙 某实际园区级综合能源微网作为典型场景来进行验证。该综合能源微网以电 和天然气为输入。中间的能源转换装置主要包括燃气锅炉(gas boiler,gb)、热 泵(heat pump,hp)、燃气轮机(gas turbine,gt)、变压器(transformer)、余热回收 装置(heat recovery unit,hr)、电制冷离心机(electric chiller,ec)、溴化锂机组 (lithium bromide unit,lb)、储热罐(heat storage,hs)等单元。终端负荷包括综合 能源微网供能范围内所需的电负荷、热负荷和冷负荷。本发明选取该综合能 源微网3种典型日(晴天、阴天和雨天)作为s个典型场景来分析不确定集 对多能负荷的影响。由于冬季无需供热，此时只有电负荷和热负荷。因此本 发明构造考虑电-热负荷不确定性的mchus不确定集。所采用的鲁棒优化模 型为两阶段鲁棒优化，并使用列和约束生成算法求解(c&cg)。
[0088]
如图4(a)至图4(c)所示，本发明比较了bbus、schus和本发明 所提的mchus在电-热负荷不确定性上的优化结果。电-热负荷的联合误差 分布服从以预测值为均值，预测值的5％为标准差σ的正态分布。图中虚线依 次将整个区域分为8个区域：[-∞,-3σ],[-3σ,-2σ],[-2σ,-1σ],[-1σ,0],[0,1σ], [1σ,2σ],[2σ,3σ],[3σ,+∞]。三个不确定集的结果都高于负荷预测值，这是由 于电负荷和热负荷的增大可增加运行成本从而体现鲁棒优化找出了最差场景 来保证鲁棒性。在三个不确定集中，由于bbus基于不确定量的最大偏差， 因此bbus整个曲线都位于schus和mchus的上方，使得其优化结果保 守度最大。而基于单区间凸包的schus保守度有所下降。比如在t11时，代 表晴天的图4(a)中由于电价较高，此时电负荷位于[3σ,+∞]区间，相应时刻热 负荷仅位于[1σ,2σ]区间；然而bbus中电负荷和热负荷则始终位于[3σ,+∞] 区间。
[0089]
进一步地，通过对比schus和mchus可发现schus总是取到最外侧 凸包，而mchus由于考虑了多个区间的概率及预算则在调度周期取到了各 个区间的凸包。比如mchus仅在电价较高的t9-t12位于最外侧凸包，而在 t1-t7时刻电-热负荷都位于[0,1σ]区间，即以1σ为轴的椭圆区域内的凸包。 因此通过划分多个区间构造相应凸包及概率，mchus的优化结果不总是取 到低概率的最外侧凸包(schus)或最外侧边界(bbus)，而是按照概率特性较 均匀的取到不同区间的凸包，从而更加符合实际并减小鲁棒优化的保守度。
[0090]
图5比较了三种不确定集在不同鲁棒预算下综合能源微网的成本。随着 不确定预算的增大，意味着最恶劣的情形更加恶劣使得三种不确定集对应的 综合能源微网成本都在增加。因而决策者在优化时需要选择一个合适的不确 定性预算来平衡经济性和鲁棒性。此外，当不确定预算为24时，相较于schus 和bbus分别对应的成本6575.23￥和6843.44￥，mchus对应的成本是最 低的6225.06￥，有效减小了调度成本。总之本发明所提的mchus考虑了不 确定性量之间的相关性并通过设置合适的多个区间来避免了实际中出现概率 较小。
[0091]
本发明实施例提出了一种适用于综合能源微网鲁棒优化的不确定集构建方法。本发明实施例结合pca和quickhull凸包算法，通过划分多个区间并构造内部椭球区域的凸包，提出了基于多区间凸包的不确定集。该多区间凸包不确定集可自适应的捕捉不确定性量的分布特征和相关性，并通过设置合适的多个区间，避免了实际中出现概率较小的场景，提高了不确定集的精确性同时减小了鲁棒优化的保守度。
[0092]
本发明实施例还提供一种适用于综合能源微网鲁棒优化的不确定集构建系统，基于上述各实施例中的适用于综合能源微网鲁棒优化的不确定集构建方法，包括：
[0093]
样本建立模块，生成综合能源微网的不确定量误差的样本集，确定所述样本集的均值和协方差矩阵；
[0094]
样本主成分分析模块，基于主成分分析方法确定所述样本集的协方差矩阵的特征值和特征方向；
[0095]
样本分区模块，基于所述特征值确定每个高维椭球区域的半轴长度，以所述特征方向确定半轴方向，将所述样本集划分为多个高维椭球区域；
[0096]
不确定集构建模块，基于quickhull凸包算法将所述高维椭球区域内的样本点集成为凸包，确定每个凸包上的顶点坐标，并分配每个凸包的不确定性预算，以形成基于多区间凸包的不确定集。
[0097]
基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图6所示，该服务器可以包括：处理器(processor)810、通信接口(communicationsinterface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述适用于综合能源微网鲁棒优化的不确定集构建方法的步骤。例如包括：
[0098]
步骤s1、生成综合能源微网的不确定量误差的样本集，确定所述样本集的均值和协方差矩阵；
[0099]
步骤s2、基于主成分分析方法确定所述样本集的协方差矩阵的特征值和特征方向；
[0100]
步骤s3、基于所述特征值确定每个高维椭球区域的半轴长度，以所述特征方向确定半轴方向，将所述样本集划分为多个高维椭球区域；
[0101]
步骤s4、基于quickhull凸包算法将所述高维椭球区域内的样本点集成为凸包，确定每个凸包上的顶点坐标，并分配每个凸包的不确定性预算，以形成基于多区间凸包的不确定集。
[0102]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0103]
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算
机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码， 该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施 例所述适用于综合能源微网鲁棒优化的不确定集构建方法的步骤。例如包括：
[0104]
步骤s1、生成综合能源微网的不确定量误差的样本集，确定所述样本集 的均值和协方差矩阵；
[0105]
步骤s2、基于主成分分析方法确定所述样本集的协方差矩阵的特征值和 特征方向；
[0106]
步骤s3、基于所述特征值确定每个高维椭球区域的半轴长度，以所述特 征方向确定半轴方向，将所述样本集划分为多个高维椭球区域；
[0107]
步骤s4、基于quickhull凸包算法将所述高维椭球区域内的样本点集成 为凸包，确定每个凸包上的顶点坐标，并分配每个凸包的不确定性预算，以 形成基于多区间凸包的不确定集。
[0108]
基于相同的技术构思，本技术实施例还提供一种计算机程序，当该计算 机程序被主控设备执行时，用以实现上述方法实施例。
[0109]
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上， 也可以部分或者全部存储在不与处理器封装在一起的存储器上。
[0110]
基于相同的技术构思，本技术实施例还提供一种处理器，该处理器用以 实现上述方法实施例。上述处理器可以为芯片。
[0111]
综上所述，本发明实施例提供的一种适用于综合能源微网鲁棒优化的不 确定集构建方法和系统，生成不确定性量误差样本集，求解样本集的均值和 协方差矩阵矩阵；当有大量历史误差数据时，可直接基于数据驱动的方法， 根据历史误差数据来统计均值和方差矩阵。当历史误差数据样本不够时，可 采用一些对称分布如正态分布、t分布和柯西分布等来生成不确定量的误差分 布。特别地，当不同不确定量对应的边缘分布不同时，可采用高斯copula函 数来构建已知边缘分布的联合分布函数生成足够的样本。利用pca找到样本 的相关性、特征值和特征向量等信息。如特征值和特征向量将用于决定内部 椭球的半轴长和轴方向；将样本集区域划分为k个区间，建立高维椭球区域； 基于quickhull凸包算法将k个区间的点集构造出k个凸包，最终建立基于多 区间凸包的不确定集。基于多区间凸包的不确定集，考虑了不确定性量之间 的相关性并通过设置合适的多个区间，避免了实际中出现概率较小的场景， 减小了鲁棒优化的保守度。
[0112]
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
[0113]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意 组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形 式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载 和执行所述计算机程序指令时，全部或部分地产生按照本技术所述的流程或 功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他 可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一 个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算 机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴 电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网 站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可 以是计算机能够存取的任何可用介质或
者是包含一个或多个可用介质集成的 服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如， 软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘 solid statedisk)等。
[0114]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流 程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算 机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。 而前述的存储介质包括：rom或随机存储记忆体ram、磁碟或者光盘等各 种可存储程序代码的介质。
[0115]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其 限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技 术方案的本质脱离本发明各实施例技术方案的精神和范围。